AI Face Recognition Access Control System Development

Система контроля доступа на основе распознавания лиц

Замена пропусков и PIN-кодов на биометрию лица — задача, где разница между «работает на демо» и «работает в продакшене» особенно велика. Демо: фото 10 сотрудников, офисное освещение, камера в лоб. Продакшен: 500 человек, боковые ракурсы, маски, очки, тёмные очки, подсветка сзади, 4 утра.

Пайплайн распознавания лиц для СКУД

Камера (RTSP) → Детекция лица → Выравнивание (alignment) → Эмбеддинг (ArcFace/AdaFace) → Поиск в базе → Решение → Управление замком

Критичный компонент — качество эмбеддинга. ArcFace (InsightFace) и AdaFace сегодня — стандарт де-факто для face recognition в контроле доступа.

import insightface
import numpy as np
import faiss
from pathlib import Path
import cv2

class FaceAccessControl:
    def __init__(self, db_path: str, threshold: float = 0.5):
        # InsightFace buffalo_l: detection + ArcFace embedding
        self.app = insightface.app.FaceAnalysis(
            name='buffalo_l',
            providers=['CUDAExecutionProvider', 'CPUExecutionProvider']
        )
        self.app.prepare(ctx_id=0, det_size=(640, 640))

        self.threshold = threshold  # cosine distance
        self.index, self.id_map = self._load_db(db_path)

    def _load_db(self, db_path: str):
        """Загрузка базы эмбеддингов в FAISS"""
        embeddings = []
        id_map = {}

        for i, emb_file in enumerate(Path(db_path).glob('*.npy')):
            emb = np.load(emb_file)
            embeddings.append(emb)
            id_map[i] = emb_file.stem  # employee_id

        if not embeddings:
            return None, {}

        emb_matrix = np.vstack(embeddings).astype('float32')
        faiss.normalize_L2(emb_matrix)  # cosine similarity через IP

        index = faiss.IndexFlatIP(512)  # ArcFace dim = 512
        index.add(emb_matrix)
        return index, id_map

    def recognize(self, frame: np.ndarray) -> list[dict]:
        faces = self.app.get(frame)
        results = []

        for face in faces:
            if face.det_score < 0.7:
                continue  # низкое качество детекции

            emb = face.embedding.reshape(1, -1).astype('float32')
            faiss.normalize_L2(emb)

            D, I = self.index.search(emb, k=1)
            score = float(D[0][0])

            if score >= self.threshold:
                results.append({
                    'employee_id': self.id_map[I[0][0]],
                    'confidence': score,
                    'bbox': face.bbox.astype(int).tolist(),
                    'decision': 'ALLOW'
                })
            else:
                results.append({
                    'employee_id': None,
                    'confidence': score,
                    'bbox': face.bbox.astype(int).tolist(),
                    'decision': 'DENY'
                })

        return results

Главная проблема: порог решения (threshold)

Это самый болезненный параметр. Cosine distance 0.5 для ArcFace означает:

• FAR (False Accept Rate) ~0.1% — чужой проходит 1 раз на 1000 попыток
• FRR (False Reject Rate) ~3% — сотрудник получает отказ в 3% случаев

Реальные цифры сдвигаются при: очках (+2–4% FRR), масках (+8–15% FRR), боковом ракурсе > 45° (+5–10% FRR), плохом освещении (+6–12% FRR).

Решение для сложных условий — adaptive threshold: понижаем порог при низком качестве входного кадра и требуем повторного захвата.

def adaptive_threshold(face_quality: float,
                       base_threshold: float = 0.5) -> float:
    """Качество 0–1: liveness score * illumination * sharpness"""
    if face_quality > 0.85:
        return base_threshold        # хорошие условия
    elif face_quality > 0.65:
        return base_threshold + 0.05  # чуть строже
    else:
        return 1.1  # отказ, запрос повторного кадра

Liveness detection: защита от фото и видео-атак

Без anti-spoofing система бесполезна — фотография на смартфоне открывает дверь.

Для турникетов с высокой пропускной способностью — texture analysis + passive IR (без challenge). Для серверных комнат и высококритичных зон — 3D depth camera обязательна.

Кейс: бизнес-центр, 800 сотрудников, 12 точек доступа

Использовали InsightFace buffalo_l + FAISS IVF256 (approximated, ускоряет поиск при > 500 лицах). Камеры Hikvision 4MP с ИК-подсветкой, установлены на высоте 1.4–1.6м.

Проблема при запуске: FRR 12% — слишком много отказов. Причина — в базе у ряда сотрудников было только одно фото анфас. После дообучения базы на 5 фото с разными углами (±30°, +/-15° pitch) и в очках при наличии:

• FRR снизился до 1.8%
• FAR: 0.02% за 3 месяца эксплуатации
• Пропускная способность: 40 человек/мин на турникет (задержка 120–180ms)

Инференс на Intel Core i7 + NVIDIA RTX 3060 Ti: 35ms на лицо, 8 параллельных потоков.

Регистрация новых сотрудников

def enroll_employee(employee_id: str, photos: list[np.ndarray],
                    min_photos: int = 3) -> np.ndarray:
    """Усреднённый эмбеддинг из нескольких фото"""
    embeddings = []
    for photo in photos:
        faces = app.get(photo)
        if faces and faces[0].det_score > 0.85:
            embeddings.append(faces[0].embedding)

    if len(embeddings) < min_photos:
        raise ValueError(f"Недостаточно качественных фото: {len(embeddings)}")

    # Среднее нормализованное — лучше чем просто первое фото
    mean_emb = np.mean(embeddings, axis=0)
    mean_emb /= np.linalg.norm(mean_emb)
    return mean_emb